标签：join Database Price DolphinDB Trade Join 报价 交易成本

 

交易本身对市场会产生影响，尤其是短时间内大量交易，会影响金融资产的价格。一个订单到来时的市场价格和订单的执行价格通常会有差异，这个差异通常被称为交易成本。在量化交易的策略回测部分，不考虑交易成本或者交易成本估计不合理，容易导致回测和实盘结果有较大的差异。

本文将介绍如何在分布式时序数据库DolphinDB中，如何使用asof join和window join快速估计每个股票的交易成本。

需要的数据包括含有逐笔交易的交易表trades和包含level 1报价的quotes表。它们分别包含以下字段：

trades

Symbol：股票代码

Time：时间

Trade_Volume：交易量

Trade_Price：交易价格

quotes

Symbol：股票代码

Time：时间

Bid_Price：买方报价

Offer_Price：卖方报价

实验中用到的数据都是从纽约证券交易所获取，大家可以从NYSE的ftp下载。参考附录1。

 

计算股票的交易成本，我们需要找到一个基准价格，通常会把与实际交易最近的一次报价的中间价作为基准价。这意味着要对交易记录表和买卖报价表进行连接。但是，成交和买卖报价的发生时间不可能完全一致，因此不能使用常用的等值连接（equal join）。DolphinDB提供了两种专门为时序数据设计的连接方式：asof join和window join。我们将使用这两种连接方式来计算股票的交易成本。

 

第一种方法：使用asof join

使用交易发生前（包括交易时刻）的最近一次报价的中间加作为基准。使用交易金额做加权平均。乘上10000是为了把结果转化成basis points。函数aj用于两个表的asof join，前两个参数分别是两个需要join的数据表，第三个参数是join的字段。join的时候首先按股票分组，每个组之内再按照时间行进asof join。右表数据（quotes表）必须保证每个股票组内的记录是按照最后一个连接字段（time）升序排列的。

TC = select sum(Trade_Volume*abs(Trade_Price-(Bid_Price+Offer_Price)/2))/sum(Trade_Volume*Trade_Price)*10000 as cost from aj(trades,quotes,`Symbol`Time) group by symbol

 

第二种方法：使用window join

如果你觉得单次报价的偶然性比较大，我们可以取交易前一段时间的报价的均值或中值作为基准价。下面的例子取交易前10ms的报价均值作为基准。pwj是prevailing window join的缩写，该函数比起aj多了两个参数。新增的第三个参数指定相对的时间窗口。因为时间单位是纳秒，-10000000:0 表示从交易的发生时刻到前10ms的窗口。新增的第4个参数是每个窗口中需要计算的一系列聚合函数。

TC = select sum(Trade_Volume*abs(Trade_Price-(Bid_Price+Offer_Price)/2))/sum(Trade_Volume*Trade_Price)*10000 as cost from pwj(trades,quotes,-10000000:0,<[avg(Offer_Price) as Offer_Price, avg(Bid_Price) as Bid_Price]>,`Symbol`Time) group by symbol

asof join和window join是DolphinDB专门为时序数据设计的连接方式，不仅简化了时序数据的操作，大大减少了代码量。以上面的交易成本计算为例，仅仅使用了1行SQL代码就完成了所有个股的交易成本计算。

DolphinDB对两种连接方式实现做了大量的优化，运行速度极快。我们以2016年10月24日纽约证券交易所的股票交易数据和买卖报价数据为例。股票交易表有8023只股票共2700万条交易记录，买卖报价表有7000万条记录。如此庞大的数据量，使用第一种方法，DolphinDB执行耗时仅470多毫秒；使用第二种方法，DolphinDB执行耗时仅825毫秒，速度极快。

最后我们看看结果是不是make sense。观察一下三个股票的交易成本：GS（高盛），TSLA（特斯拉），AAPL（苹果）。

select * from TC where symbol in `GS`TSLA`AAPL

第一种方法的结果：

symbol	cost
AAPL	0.5446
GS	1.2678
TSLA	16.6456

第二种方法的结果：

symbol	cost
AAPL	0.535
GS	1.1543
TSLA	18.1025

感兴趣的 朋友 可以 到官网下载DolphinDB database 试用版计算股票的交易成本。

 

附录1.生成样本数据

访问ftp://ftp.nyxdata.com/Historical%2Data%20Samples/Daily%20TAQ%20Sample/并且下载EQY_US_ALL_TRADE_20161024.gz和EQY_US_ALL_NBBO_20161024.gz两个文件，然后把它们解压，保存在/DolphinDB/Data目录下，把两个文件的最后一行删除，因为最后一行是用来标记文件结尾的。

sed -i '$ d' EQY_US_ALL_TRADE_20161024
sed -i '$ d' EQY_US_ALL_NBBO_20161024

接着，执行下面的脚本。

DATA_DIR = "./DolphinDB/Data"
PTNDB_DIR = DATA_DIR+"/NYSETAQSeq"
db = database(PTNDB_DIR, SEQ, 16)
 
Trades = loadTextEx(db, `Trades, DATA_DIR + "/EQY_US_ALL_TRADE_20161024”,'|')
Quotes = loadTextEx(db, `Quotes, DATA_DIR + "/EQY_US_ALL_NBBO_20161024",'|')

表Trades包含2016年10月24日美国股市的所有交易数据。表Quotes包含同一天的全国最佳买卖报价（NBBO）。

标签：join,Database,Price,DolphinDB,Trade,Join,报价,交易成本
来源： https://blog.csdn.net/qq_41996852/article/details/110268379

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。